国产算力

据央视网 10 月 18 日报道（https://ysxw.cctv.cn/article.html?channelId=1119&item_id=3672217117270734568&toc_style_id=feeds_default ），在当日于深圳开幕的 2026 全国高性能计算学术大会上，全国首个全国产十万卡规模 AI 超集群曙光 8000 完成真机亮相，并同步发布十大应用成果。IT之家的会议专题（https://www.ithome.com/tag/全国高性能计算学术大会 ）记录，该集群由中科曙光牵头、联合国产芯片企业海光信息打造，主打超智融合原生架构，支持从 FP64 高精度科学计算到 INT8 低比特 AI 训练的全精度覆盖。 技术细节上，集群采用自研 scaleFabric RDMA 高速互联网络，配合 ParaStor 并行存储与浸没相变液冷，整机 PUE 低至 1.04。这套架构最特别的地方不是单纯堆卡，而是把传统超算的仿真能力和智算的训练能力编排成一条流水线，先用超算造仿真训练数据，交给智算海选候选方案，再回到超算复核结果、剔除模型幻觉，形成数据生产、模型训练、结果验证的闭环。 十万卡全国产意味着什么门槛？ 十万卡是当前 AI 训练集群的第一梯队门槛，多数公开集群还停留在万卡到五万卡区间。全国产的难点不在卡数，而在全栈自主，从海光加速芯片、自研互联网络、并行存储到液冷散热，每一层都不能依赖进口组件。RDMA 网络的规模放大之后，通信拥塞和故障隔离指数级上升，能把十万张国产卡稳定跑成一个整体，本身就验证了配套软件栈的成熟度。 需要区分的是，十万卡全国产回答的是能不能自主建成大集群的问题，而不是单卡性能对标旗舰加速卡的问题。这台集群的定位是超算与智算融合，服务科学计算和行业大模型训练，不是单纯追逐参数规模。 超算智算融合和普通AI集群的差别在哪？ 普通 AI 集群的逻辑是收集真实语料、加大规模训练；超智融合路线的独特价值在仿真。很多行业场景拿不到足够多的真实标注数据，比如航天气动、海洋环境、工业应力，真实样本要么稀缺要么危险，超算先做高保真物理仿真，批量生成带标注的训练数据，再喂给智算做模型海选，最后回到超算用物理定律校验模型输出，专门解决大模型凭空编造结果的幻觉问题。 这条路线对国产算力是一个差异化切口。在通用语言模型赛道，纯堆算力很难直接对标海外旗舰，而在物理仿真与工程验证这条线上，超算的积累是国产体系的既有优势，把仿真当数据工厂，等于用存量能力给新兴训练任务供血。 1.04的PUE在十万卡规模上有多难？ 液冷在单台机柜上实现低 PUE 并不新鲜，难的是十万卡规模下整机散热均匀、漏液风险可控、运维批量管理。浸没相变液冷让服务器直接泡在冷却液里，PUE 1.04 意味着每消耗 1 度电几乎全部用于计算，散热只占零头，在长期运行的 TCO 上，这部分能耗差距会被放大到极其可观的量级。 对西部绿电和东部负荷之间的错配来说，低 PUE 让集群在能源约束下保持更高利用率，也是当前各地智算中心从盲目上规模转向算效比竞争的一个样本。 行业外的读者该如何看待这件事？ 十万卡新闻容易被读成又一次规模竞赛，但超智融合的真正信号是国产算力找到了不正面硬拼单卡性能的生存路径，用仿真数据、工程验证和行业闭环建立自己的阵地。对行业从业者来说，值得跟踪的是十大应用成果落到了哪些具体行业，仿真数据流水线能否被中小企业低成本复用，而不是只看卡数新闻本身。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

华为昇腾 950DT 在 2026 年下半年完成云化、逐步商用，更新一代的路线也提前给出了节奏。推理侧国产替代的窗口已经打开，但真把开源模型搬上昇腾，坑和在 NVIDIA 上完全不是一套。本文记录用 MindIE 推理引擎部署 Qwen 系列时最常踩的五个坑。 坑一：权重格式为什么不能直接用？ 昇腾不能直接读原版 safetensors，需要先用 MindIE 自带的转换工具把权重转成昇腾格式，并生成配套配置。最常见的错误是照搬开源框架上的配置文件，导致位置编码缩放、量化参数对不上，启动即显存溢出。正确做法是用转换工具生成的配置，再逐项比对。 坑二：量化精度到底怎么取舍？ 昇腾侧常用 W8A8 或更激进的量化。W8A8 在中文通用任务上掉点不明显，但数学、代码类任务可能有可见下降。建议先跑一组约两百题的内部黄金集，对比高精度与量化版输出，再决定上线哪一档。不要拿官方宣传的基准直接当自己业务的效果。 坑三：并发与 batch 该怎么设？ MindIE 的并发模型和主流推理框架不一样，prefill 与 decode 的并行策略需要按实例核数手动调。经验值是：先把最大 batch 设小，例如从 4 测吞吐，再逐步往上加，找到延迟与吞吐的拐点。一上来拉满 batch，常常是吞吐没涨、首 token 延迟先崩了。 坑四：长上下文显存该怎么预留？ 长上下文任务要显式配置最大序列长度，且 KV 显存是按这个上限预留的。把最大长度设得远高于实际请求，会白白吃掉一大半显存。按业务真实分布设上限，是昇腾上最划算的一刀。 坑五：排障工具链怎么快速上手？ 昇腾的性能剖析工具与常见的 GPU 剖析器不是一套，前期要花时间熟悉。建议保留一个「最小可复现用例」脚本——启动失败时，先用最小配置跑通，再逐步加业务参数，比直接上全量配置效率高得多。 迁移到国产卡的成本能降到多低？ 昇腾生态正在快速补全，但「能跑」和「跑得好」之间隔着一堆平台特有细节。把权重转换、量化验证、并发调参、shape 上限、排障脚本这五件事做成标准流程，团队迁移到国产卡的成本会从按月降到按天。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：昇腾MindIE部署

9 月 17 日华为全联接大会上，轮值董事长汪涛宣布昇腾 960 系列提前完成研发：960DT（训练版）2027 年一季度就绪，比原计划提前三个季度；960PR（推理版）2027 年三季度就绪，提前一个季度。这是继 950 系列之后，华为把国产 AI 芯片路线图再次往前拨。对做国产推理部署的团队，这次发布真正的信息增量不是时间点，而是 HiF4 这个数据格式。 960 的硬指标 按披露规格：960DT 提供约 2 PFLOPS FP8、4 PFLOPS FP4 算力，最大支持 288GB HBM，访存带宽约 9.6TB/s；960PR 的 FP4 算力达到 8 PFLOPS，面向推理与解码。后续路线是 970（2028 年，约 3.6P FP8 / 14P FP4）与 980（2029 年，约 7.2P FP8 / 28P FP4），坚持一年一代。 HiF4 为什么是重点 华为强调 960 支持自研 HiF4 数据格式，称其为「目前业界最优的 4 比特精度实现」，推理吞吐比同代方案更高，且比业界 FP4 方案精度更好。这句话要放在 2026 年的语境里读：NVIDIA 在 Blackwell/Rubin 上主推 MXFP4，SGLang、vLLM 生态已经把 NVFP4 跑成事实标准。华为没有直接跟 FP4，而是做了一套自己的 4 比特格式——这意味着软件栈（CANN、MindIE）必须围绕 HiF4 单独优化，模型量化工具链也要适配。 ...

9 月 17 日华为全联接大会上，轮值董事长汪涛宣布了一个比跑分更重要的数字：昇腾 960DT 提前三个季度到 2027 年一季度就绪，960PR 提前一个季度到 2027 年三季度。原计划 2027 年四季度才发布的旗舰芯片，整体节奏往前挪了约九个月。970 定在 2028 年、980 定在 2029 年，一年一代的节奏被明确写进路线图。市场短期盯着跑分，但真正决定国产算力估值的，是这张时间表。 时间表为什么比性能更值钱 云厂商和运营商采购算力不是买消费品，而是排产。一个智算中心从立项到上架要 18 到 24 个月，客户必须提前一年半知道「明年这个时候你有什么芯片、什么规格」。如果华为的路线图总是跳票，运营商就不敢把宝押在昇腾上，只能继续买英伟达或观望。 反过来，时间表一旦可信，客户的采购计划就会提前锁定。960DT 提前三个季度，意味着原本要等 2027 年底的训练负载，现在 2027 年初就能切到国产平台。这对那些受出口管制、必须在 2027 年完成国产替代比例的运营商来说，是一颗定心丸。 性能翻倍是配套信号 华为同时披露，960 系列在算力、内存带宽、内存容量、互联端口上较 950 整体翻倍，HBM 最大支持 288GB，仿真带宽到 9.6TB/s，960PR 的 FP4 算力达 8 PFLOPS。但如果只是性能翻倍、发布时间不变，市场不会有这么强反应。真正的信号是「性能翻倍且提前」——这说明华为的制程、封装、HBM 供应都比预期顺利，不是在喊口号。 对投资判断的含义 看国产算力公司，别只看单芯片跑分，要看三件事：路线图是否连续兑现、下一代芯片的客户预订率、以及超节点（这次发布的 Atlas 960 是业界首个 NPO 近封装光学超节点）的组网能力。960 提前释放的信号是：华为已经把「能不能按时交货」这件事做成了确定性，而确定性在算力生意里，比峰值性能更值钱。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：昇腾时间表估值

引子：从"断供阴影"到"16万颗订单" 2026年下半年，国产算力赛道最受关注的消息莫过于华为昇腾950的量产节奏。更具标志性的细节是：DeepSeek已经订购了16万颗950DT。一个国内头部大模型公司，把下一代训练与推理的算力主力押在昇腾上——这个订单本身，就是国产算力逆袭的最好注脚。 要理解这件事的分量，得回到三年前。那时国产AI芯片还在"能用"和"好用"之间苦苦挣扎，主流大模型的训练几乎绕不开NVIDIA。而今天，昇腾950已经走到了"被顶级模型厂商批量采购"的阶段。这条路，走得比所有人预想的都快。 产品矩阵：950PR与950DT的分工 昇腾950不是单一款芯片，而是一个清晰的产品矩阵。理解它，先要分清两个型号。 型号 定位 量产状态 关键规格 昇腾950PR 推理/通用计算 已量产 FP4算力2 PFLOPS，144GB HBM 昇腾950DT 训练/高密度 预计Q4量产 面向大规模训练集群 950PR已经量产落地，主打推理与通用计算场景；950DT则瞄准训练，预计2026年第四季度量产。DeepSeek那16万颗的大单，主要指向的就是950DT——它要扛的是下一代大模型训练这种最吃算力的活。 把关键规格拆开看：FP4算力2 PFLOPS、144GB HBM。FP4是2026年训练推理的主流低精度格式，2 PFLOPS的单卡算力已经达到主流训练卡的第一梯队；144GB HBM则保证了它能塞下大模型的权重与激活值，在单卡和多卡场景之间游刃有余。 数据来源：华为官方披露与产业链消息，2026年Q3 16万颗订单背后的信任投票 DeepSeek一口气订16万颗950DT，这不是一个小数字。它意味着三件事： 第一，国产芯片已经过了"能不能跑通"的阶段。 如果只是能点亮、能跑个demo，没有哪家模型公司敢下16万颗的重注。这说明昇腾950在大规模集群下的稳定性、软件栈适配、训练收敛性都已经达到可商用水平。 第二，自主可控从"口号"变成"采购决策"。 模型厂商把算力主力放在国产芯片上，既有供应链安全的考量，也有成本考量。当国产芯片的性价比开始接近甚至优于受限于出口管制的进口方案，迁移就是理性选择。 第三，DeepSeek与昇腾形成了闭环。 模型公司为国产芯片定制算子、优化框架，芯片厂商为模型公司调优硬件——这种双向绑定，是国产生态真正跑起来的标志。 软件栈：比硬件更难的一仗 做AI芯片，硬件只是入场券，真正的护城河是软件栈。这一点，过去几年NVIDIA靠CUDA建立了几乎不可撼动的优势。昇腾要逆袭，绕不开这道坎。 层面 挑战 昇腾的应对 编程框架 替代CUDA生态 自研CANN与迁移工具 算子适配 新模型算子移植 与头部模型公司联合优化 集群调度 千卡万卡稳定性 大规模并行训练实践 DeepSeek的16万颗订单之所以关键，正是因为它倒逼昇腾把最复杂的训练场景啃下来。当一套国产软件栈能稳定支撑顶级模型的训练，生态飞轮就转起来了——更多模型公司敢用，芯片厂商就更有动力优化。 与NVIDIA生态的差距与现实 冷静地看，昇腾950的逆袭是"追赶到可用"，还不是"全面超越"。 在单卡峰值算力、HBM容量、互联带宽这些硬指标上，昇腾950与同期NVIDIA旗舰仍有差距；在软件生态的成熟度上，CUDA十几年积累的优势也不是一朝一夕能抹平的。昇腾的打法是务实的——不追求每一项都领先，而是在国产供应链约束下做到"够用、稳定、可大规模部署"。 这种"够用就好"的哲学，恰恰是现实的。当外部供应受限，能稳定拿到、能大规模部署、能跑通主流模型，本身就是巨大的竞争力。144GB HBM、2 PFLOPS FP4的规格，已经足以撑起绝大部分训练与推理需求。 行业影响：国产算力进入"规模化采购"阶段 昇腾950的量产与16万颗订单，标志着国产AI算力跨进了一个新阶段。 第一，供应链安全成为采购硬指标。 越来越多模型公司会把"能否用国产芯片跑通"纳入下一代算力规划，而不是等到断供那天才临时抱佛脚。 第二，国产生态从"试点"走向"主力"。 当DeepSeek这样的头部公司把16万颗950DT作为主力，昇腾就不再只是备选方案，而是正经的算力供给方。 第三，算力议价权开始转移。 有了国产替代，国内模型厂商在面对进口芯片时终于有了谈判筹码。这对整个行业的长期成本结构是利好。 结语：逆袭是一场长跑 华为昇腾950的故事，不是一夜翻盘的爽文，而是一条厚积薄发的长路。950PR量产、950DT Q4量产、DeepSeek 16万颗订单——这几个节点拼在一起，勾勒出国产算力从"能用"到"好用"再到"被主力采购"的完整轨迹。 当然，逆袭远未到终点。软件生态的成熟、互联带宽的追赶、先进制程的产能爬坡，每一项都是硬骨头。但方向已经板上钉钉：国产算力不再是备胎，它正在成为主力。 ...

DeepSeek计划在内蒙古部署至少16万张华为昇腾950DT，园区按吉瓦级规划。国内首个国产GPU+类脑芯片大模型异构混合推理系统发布，Attention交国产GPU、FFN/MoE专家模块交类脑芯片。寒武纪上半年营收59.96亿元同比+108%，摩尔线程启动赴港上市。

千亿元级算力投资 中国联通在2026 Inclusion·外滩大会上集中发布了9项成果，涵盖智能底座、智慧应用、安全守护三大板块。其中最引人注目的是：十五五期间预计撬动千亿元级算力投资。 这不是简单的基础设施投入，而是一场关于算力调度、国产芯片应用、AI基础设施的全面升级。 联通星罗：算效提升300% 升级后的 “联通星罗"先进算力调度平台，综合算效提升至 300%。 在展览区大屏上，该平台已纳管 30余种算力芯片，包括： 英伟达GPU 华为昇腾 寒武纪 海光 其他国产AI芯片 300%的算效提升意味着什么？ 同样的硬件投入，可以获得3倍的算力输出 算力利用率大幅提升，减少闲置浪费 不同架构的芯片可以统一调度，灵活分配任务 联通云8.0：可信词元基础设施 联通云8.0构建起 可信词元基础设施，这是一个面向AI时代的全新概念。 “词元”（Token）是大模型处理信息的基本单位。可信词元基础设施意味着： 数据在处理过程中保持可信 词元级别的安全和隐私保护 为大模型应用提供可靠的底层支撑 国产算力的规模化应用 中国联通的算力布局，对国产算力产业具有重要意义： 1. 规模化验证 纳管30余种芯片，意味着国产芯片在真实的大规模环境中得到验证，这对芯片的迭代优化至关重要。 2. 统一调度 通过联通星罗平台，不同架构的芯片可以统一调度，降低了应用迁移的成本。 3. 生态培育 运营商的大规模采购和应用，将培育国产算力的生态，促进软件和工具链的成熟。 算力军备竞赛的中国路径 中国联通的千亿算力投资，是中国科技巨头算力军备竞赛的一个缩影： 公司 资本开支 同比增长 腾讯 527.8亿元 +176% 百度 113.9亿元 +近200% 阿里 800亿港元 全部投入AI 联通 千亿元级 十五五期间 与互联网公司不同，运营商的算力投资具有以下特点： 普惠性 — 服务千行百业，不只服务自身业务 国产化 — 更积极地采用国产芯片 网络化 — 算力与网络深度融合，提供算力网络服务 对AI产业的影响 算力成本下降 — 规模化和调度优化将降低算力成本，让更多中小企业用得起AI 国产芯片成熟 — 大规模应用将加速国产芯片的成熟和迭代 区域均衡发展 — 运营商的算力网络将促进算力在全国范围内的均衡分布 行业应用普及 — 可信词元基础设施将推动AI在金融、医疗、制造等行业的深度应用 结语 中国联通的千亿算力投资和联通星罗300%的算效提升，标志着中国的算力基础设施建设进入了新阶段。从追求算力规模到追求算效提升，从单一芯片到多元架构统一调度，中国的算力之路正在走出自己的特色。 ...

两条新闻，一个方向 最近国内AI基础设施传来两条标志性消息： 粤港澳大湾区首个昇腾万卡智算集群在韶关上线，总算力达 9000P 我国首颗采用软件定义与三维近存计算技术的AI芯片在上海发布，在14纳米制程上实现每秒 520万亿次 浮点运算 两条新闻指向同一个趋势：国产算力正在从"能用"走向"好用"。 “换芯工程"的三重逻辑 当前国内大模型企业正稳步推进算力"换芯工程”，核心预训练算力加速从海外GPU向国产AI芯片迁移： 1. 集群规模上台阶 9000P的昇腾万卡集群意味着什么？它已经具备支撑超大规模模型训练的能力——万亿参数级别模型的预训练，从此可以在国产算力底座上完成。 2. 架构创新找突破 软件定义 + 三维近存计算，是针对AI访存瓶颈的定向优化： 三维近存：把存储堆叠到计算单元附近，缩短数据搬运距离 软件定义：通过软件灵活调度硬件资源，适配不同模型形态 14nm制程实现520万亿次/秒，证明了"架构创新可以部分对冲制程差距" 3. 产业闭环加速 从芯片设计、制造、集群部署到模型适配，国产AI算力的产业闭环正在成型。对模型企业而言，多一个可选的算力底座，就多一分供应链安全。 挑战依然存在 需要清醒认识的是，国产算力在软件生态、开发者工具链上仍与成熟生态有差距。“换芯工程"不只是硬件替换，更是软件栈的迁移与重构。 结语 9000P集群与三维近存芯片，是"换芯工程"从概念走向落地的注脚。这条路不轻松，但方向已经不可逆——自主可控的算力底座，是AI产业长期发展的压舱石。